本文提出了一种结合神经放射场和时间对比学习的方法，以从2D视觉中学习动态3D场景模型，支持复杂操作任务的视觉控制与预测。研究表明，级联神经网络在准确度和性能上表现最佳，并提出了一种基于视觉反馈的精细操作解决方案，利用Transformers融合多视图信息，显著提升学习效果。

本文介绍了一种从2D视觉观察中学习动态3D场景模型的方法，结合神经放射场、时间对比学习和自动编码框架，可以学习到视点不变的3D感知场景表示，支持视觉运动控制和未来预测，并支持摄影机视点外训练分布的目标规定。同时，还对不同系统设计进行了详细的改变研究和学习的表示的定性分析。